[发明专利]一种基于深度学习混合模型的再住院风险预测方法

说明书

本发明公开了一种基于深度学习混合模型的再住院风险预测方法，该方法包括以下步骤：步骤1：收集数据集，包括患者个体特征和外部环境特征；步骤2：特征分组及预处理，将特征分为静态特征和时间序列特征；步骤3：时间序列特征挖掘，对时间序列特征进行统计分析、构建LDA模型和双向LSTM模型；步骤4：特征拼接，将静态特征和经特征工程处理的时间序列特征融合，作为CNN模型的输入；步骤5：构建CNN模型，预测患者再住院风险。本发明基于深度学习算法，对患者健康医疗大数据及所处外部环境进行研究分析，构建再住院风险预测模型，有助于医疗机构合理安排医疗资源，为患者提供更好的医疗服务，也有助于提升保险机构对参保人再住院风险识别的效率和准确率。

技术领域

本发明涉及医疗健康领域、机器学习技术，具体来讲涉及一种基于LDA、LSTM、CNN混合模型的再住院风险预测方法。

背景技术

随着医疗信息化的不断完善，我国医疗机构已迈入到信息化和数字化的时代，医疗健康领域积累了大量数据，为“人工智能+医疗”研究提供了坚实的数据基础。同时，精准健康医疗已被越来越多的国家和机构所重视，而再住院风险预测是精准健康医疗的一个重要研究方向。

精准化和个性化的再住院风险预测对提升医疗公共服务水平和医疗保险统筹规划具有重大的应用价值。在医疗公共服务方面，再住院风险预测有助于医疗机构合理安排医疗资源，为患者提供更好的医疗服务；在医疗保险管理方面，再住院风险预测有助于提升保险机构对参保人理赔风险识别的效率和准确性，为实现差异化服务提供数据支撑。

分析健康医疗大数据的特性及再住院风险预测模型相关研究情况，目前工作还存在一些问题有待研究，主要体现在以下三个方面：(1)再住院风险预测模型主要考虑患者个体特征，忽略了外部环境对患者再住院的影响；(2)对患者疾病变化趋势、治疗路径和患病相似性的信息挖掘不足；(3)目前，构建再住院风险预测模型主要采用传统的机器学习算法，而基于树模型的传统机器学习算法处理大样本量的运行效率极低。

鉴于此，探索基于时间序列模型和主题模型的特征处理方法，探索基于深度学习框架的分类算法，构建再住院风险预测模型，为医疗健康领域个人再住院风险识别提供支撑是本发明主要解决的问题。

发明内容

为解决上述不足，本发明在此提供一种基于深度学习混合模型的再住院风险预测方法。本发明基于深度学习算法，对患者健康医疗大数据及所处外部环境进行研究分析，构建再住院风险预测模型，有助于医疗机构合理安排医疗资源，为患者提供更好的医疗服务，也有助于提升保险机构对参保人再住院风险识别的效率和准确率。

本发明是这样实现的，构造一种基于深度学习混合模型的再住院风险预测方法，其特征在于：该方法包括以下步骤：

步骤1：收集数据集，包括患者个体特征和外部环境特征；

步骤2：特征分组及预处理，将特征分为静态特征和时间序列特征；

步骤3：时间序列特征挖掘，对时间序列特征进行统计分析、构建LDA模型和双向LSTM模型；

步骤4：特征拼接，将静态特征和经特征工程处理的时间序列特征融合，作为CNN模型的输入；

步骤5：构建CNN模型，预测患者再住院风险。

根据本发明所述一种基于深度学习混合模型的再住院风险预测方法，其特征在于：步骤(1)所述的收集数据集，包括如下子步骤：

步骤1.1：获取与患者健康相关的数据和家族史信息；

步骤1.2：获取患者现住址的外部环境特征，包括地区经济水平、空气污染和气象信息；